查尔斯·西蒙，Brain Simulator II 作者 – 采访系列

查尔斯·西蒙是《Brain Simulator II》的作者，这是一本伴随Brain Simulator II软件项目的书籍，Brain Simulator II是一个免费、开源的软件项目，旨在创建一个端到端的人工通用智能（AGI）系统

原始的Brain Simulator软件于1988年发布，在软件世界中这是一个非常长的时间。Brain Simulator II与其前身相比，有多大的飞跃?

今天的系统比原来的系统快了超过一百万倍。原始系统是用FORTRAN编写的，运行在IBM AT兼容机上，支持固定数组的1200个神经元，每秒计算大约两个周期。今天的程序可以在网络上运行，并在强大的桌面CPU上每秒处理25亿个突触。

这本书是关于Brain Simulator II的，它是一个开源软件项目，旨在创建端到端的人工智能，运行这个软件需要什么样的编码经验?

不需要任何编码经验。如果你不是程序员，你可以花时间使用Brain Simulator，并对神经元的能力和局限性、知识表示以及甚至构建自己的有限网络有所了解。如果你是程序员，你将遵循更深入的技术解释，并构建自己的模块来扩展系统以实现更高级的AGI策略。

为什么回到人工智能的生物启发根源对于实现AGI很重要?

在20世纪80年代，人们认为，只要我们能构建一个足够大的神经网络，它就会自发地变得智能。然而，在过去的40年里，这种情景变得越来越不太可能。因此，如果经典的人工智能方法没有为AGI带来成果，让我们尝试一些不同的方法，而唯一有效的AGI模型是人类大脑。

同时，也没有必要盲目遵循生物学可行性。例如，我们知道我们的脑可以根据两只眼睛接收到的图像的细微差异来估计物体的距离，这是3D电影的基础。我们不知道大脑如何实现这一功能，因此，我编写了一个模块，使用几行三角学来估计距离。我们可以肯定，大脑不可能以这种方式工作，但三角学方法可能更快、更准确。

你在书中提到，AGI需要机器人，这为什么这么重要?

想象一下向一个盲人解释颜色或向一个聋人解释音乐。如果一个潜在的AGI只是一个计算机程序，它如何获得一个三岁孩子所知道的基本理解？孩子有一个视角，并被现实所包围。孩子知道物体存在于现实中，并且其中很多可以被操纵。通过玩积木，孩子可以学习形状、大小、固体、重力、视觉遮挡、距离等。具有自主运动、视觉和操作能力的AGI可以比仅依赖大量文本和图像数据的程序更根本地了解现实。

在一个具有机器人AGI获得了对现实中物体的基本理解之后，这种知识可以被复制到非机器人思维机器中，并且这种理解将持续下去。就像一个人失去了视觉或听觉后，可以以不同的方式理解事物，而一个从未拥有过这些感官的人则不能。

Brain Simulator II的一个重要方面是，它不使用反向传播，为什么不采用这种方法?

你的大脑在没有反向传播的情况下运作，因此AGI也必须可以在没有反向传播的情况下实现。事实上，反向传播在根本上与生物模型不兼容，因为它依赖于能够以相当高的精度感知和修改突触权重。经过一段时间的Brain Simulator使用后，你会得出结论，设置突触权重以任何程度的精度是非常困难的，并且准确地感知这些突触权重是不可行的。基本问题是，放电的神经元会修改突触权重，但没有办法在不放电神经元的情况下检测突触权重，因此无法在不修改的情况下检测突触权重。

反向传播没有生物学上的对应物，我认为它是一种非常强大的统计方法。很多人正在使用它，并且取得了优秀的结果。我的观点是尝试一些不同的方法。通过使用脉冲神经元和插件软件模块，我正在从不同的角度看待AGI的问题。

当大脑被探测时，似乎存在混乱和随机性，我们是否需要在软件系统中引入这种混乱和随机性才能实现真正的AGI?

我不这么认为。当你查看个别神经元和突触时，它们的功能是确定性的，就像晶体管一样。在大脑中，事情看起来是随机的，因为噪音水平相当高，信息组件没有明显的顺序。但是，考虑一下你的视觉，你可以清晰地阅读文本，并且在阅读过程中没有任何混乱或随机性。因此，我们得出结论，至少你的视觉皮层是相当可靠和重复的。然而，当被探测时，它看起来就像大脑的其他部分一样混乱。因此，大脑的其他部分可能与视觉皮层一样可靠和重复，我们只是还没有看到组织和秩序。就像阅读中文，对我来说这是无序的随机标记，但对于会读这种语言的人来说，有绝对的组织。我们只是还不能读懂大脑的内部语言。

你提出了一个叫做通用知识存储（UKS）的概念，你能简要地讨论一下这是什么以及为什么它很重要吗?

回想一下机器人问题，你可以看到，一般智能的一个方面是将来自各种感官的知识整合在一起。你知道一个积木，因为你可以看到它，触摸它，并听到关于它的词语。所有这些代表了关于一个积木的信息。因此，AGI必须有一个通用的存储机制，可以处理各种各样的不同信息，并在这些项目之间创建有用的关系。UKS是一种非常通用的知识图，可以处理任何类型的信息和任何类型的关系。

UKS可以存储用于迷宫应用程序的空间信息，以及用于实现目标的决策和结果树。同样的结构用于将单词与颜色关联起来。这种通用性对于AGI至关重要。

你预计AGI会在什么时候出现?

很难说。我们已经拥有了实现AGI所需的硬件，我认为，只需要一个突破，随时都可能发生。让我试着描述一下这个突破：

假设你只知道红色是一种颜色，蓝色是一种颜色，我可以问你命名一些颜色，你可以说红色和蓝色。问题是，AGI如何学习“是一种”关系。我可以轻松地编程这种关系，但这样我的AGI就无法学习新的关系。一个孩子可以学习关于更近/更远、更大/更小、更早/更晚、之前/之后等关系。这些关系依赖于更基本的概念，如大小、距离、时间等。

一个充满神经元的大脑如何学习所有这些基本的东西？这与机器人的需求有关。一个AGI如何学习距离的概念，如果它不能移动或伸手去拿东西？这也与通用存储的需求有关。一个AGI如何理解移动的概念，这结合了位置和时间的概念？移动相对简单。理解移动的含义则更加困难。我相信，这些基本问题都是同一个潜在问题的不同表现形式，而解决这个问题的答案就是必要的突破。

没有多少人在研究这个问题，主要是因为它太难了，很难提出一个项目，如果真正成功，就会在三年内拥有三岁孩子的能力，在十年内拥有十岁孩子的能力。因此，解决方案可能来自小型独立研究人员，他们有时间和精力投入到没有短期回报的问题中。

关于Brain Simulator II或AGI还有什么其他想法要分享吗?

当你尝试使用神经元和突触来设计解决这些基本问题的电路时，你会得出结论，每个概念不再由几十个突触来表示，而是由几十个神经元来表示。这意味着大脑的容量不再是几十亿个项目，而是有限于理解几千万个项目。因此，一个初生的AGI，能够理解一千万个项目，至少应该能够掌握一些基本的概念。而一个能表示一千万个项目的计算机系统就在今天的硬件范围内，甚至可能在今天的桌面电脑上实现。

Brain Simulator的1.0版本实际上标志着它的“成年”。它现在拥有足够的容量和精致的用户界面，使其对更广泛的研究受众更有用。它是一个社区项目，拥有越来越多的开发团队和更大的用户群体。我们将一起尝试很多新想法，并在智能和AGI的一些基本问题上取得进展。

感谢这次精彩的采访，讨论AGI总是很有启发。希望了解更多的读者可以阅读《Brain Simulator II》这本书。